Prompting 技巧

在使用 LLM 時，提示語（Prompt）的撰寫方式會直接影響 AI 回應的品質，因此初步理解提示工程（Prompt engineering）這門用來設計與撰寫指令的技術，能夠幫助自己引導 AI 提供更有用、清晰、並且符合需求的結果。

提示技巧

人類參與循環（Human-in-the-loop, HITL）

「人類參與循環」（Human-in-the-loop）是指在 AI 提供的回答中，加入人類的判斷和審核，對於確保 AI 的產出符合倫理並有益於人類和社會是一種重要的策略。這種方法將 AI 的快速處理能力和人類的洞察力相結合，特別適合於負責任的 AI 應用（Responsible AI）。例如在篩選應聘者時，AI 可以初步分析大量履歷，但最後的決策仍需由人來進行，避免因偏誤而作出不公平的判斷。

多範例提示（Few-shot prompting）

在提示工程中，英文會用 Shot 來表示「範例」，並依照提示中包含的範例多寡，將提示區分為以下類別：

• 零範例提示（Zero-shot prompting）：不提供範例，適合簡單且明確的回答需求，或是需要更多創意的情境。
• 單一範例提示（One-shot prompting）：提供一個範例，AI 能參考範例進行回答。
• 多範例提示（Few-shot prompting）：提供兩個或更多範例，以幫助 AI 模型更準確地把握語氣或格式，但不宜過多範例，避免 AI 過於拘泥於範例的細節而失去創意。

需要提供多少範例沒有一定的準則，但提供多個範例可以讓 AI 模型從中辨認規則，進而更清楚理解我們的需求。例如，如果我們想讓 AI 協助編寫產品描述，可以在提示中提供兩到三個描述範例，這樣一來 AI 更能掌握語氣和格式，並產生更一致的內容。

思路鏈提示（Chain-of-thought prompting）

思路鏈提示是指在提示中加入「請逐步解決問題」或「解釋每個步驟」等要求，引導 AI 模型逐步解釋其思考過程，適用於需要逐步推理的問題。

使用這種方法有以下兩大優點：

• 提升準確度：將任務分成小步驟，可以幫助 AI 更精確地解答問題。
• 提升解題過程的透明度：透過 AI 逐步解釋理解他的推理邏輯，有助於我們確認回答的正確性。

重點整理

• 給予脈絡，告訴 AI 情境和回答的角色
• 使用動詞，明確指出要 AI 執行的事項
• 適度給予範例或請 AI 逐步解釋問題
• 持續參與和 AI 的對話，運用人類的判斷和審核，引導出合理的結果